「故障复盘」共找到 167 篇相关文章
豆包背后的“超算大脑”：字节ByteRobust系统跑20多万张GPU，性能刷新SOTA
字节跳动自研的ByteRobust系统登上SOSP 2025，部署于超20万张GPU平台，9600张GPU训练三个月ETTR达97%。该系统应对LLM训练故障，由控制和数据平面构成，能自动发现修复故障，提升训练效率与稳定性。
复盘高德扫街榜100天
2026年1月7日，高德发布“高德扫街榜2026”新版本，有三大升级。上线百日成绩亮眼，累计用户超6.6亿。它在异地场景优势明显，还打出“行为数据”王牌，从多层面解决信任问题，推出飞行街景等功能。
DeepSeek 复盘：128 天后，为什么用户流量一直在下跌？
文章深入分析DeepSeek和Anthropic策略，揭示行业计算资源稀缺难题。指出AI服务定价是延迟、吞吐量、上下文窗口三个指标的权衡，DeepSeek牺牲体验换研发，Anthropic提升‘智能密度’优化资源。
获NVIDIA致谢：悟空Agent的实践、复盘与迭代
本文以悟空Agent获NVIDIA致谢为切入点，介绍多智能体架构闭环及实战挑战，如上下文断流、调度失衡。还阐述架构设计、迭代优化、数据飞轮体系，指出AI infra存在安全隐患，强调安全融入业务的重要性。
PagerDuty 的 Kafka 故障导致数千家公司无法收到报警
2025年8月28日，事件管理平台PagerDuty遭遇重大服务中断，超9小时服务降级。原因是新功能缺陷使Kafka集群使用量超系统容量，引发连锁反应。公司列出改进承诺，社区强调系统要有冗余备份。
我的 AI 原生开发流程：一个真实案例的完整复盘
作者复盘用 AI 给 App 加新功能的开发流程，指出 AI 原生开发本质还是传统流程，但执行主体从人变成 Agent，人是指挥官，确认决策；各环节有变化，文档更重要，大部分开发类 Skills 没必要。
Snowflake CEO 复盘：为什么 LLM 时代企业需要一个 AI Data Cloud？
Snowflake曾是企业数据平台代表，随AI崛起，CEO Sridhar推动其转型为AI Data Cloud。Snowflake Intelligence上线，不造基础模型，专注放大数据价值，其可靠、计费合理，核心竞争力在数据。
Agent能自己“复盘”和“进化”，这个开源框架牛了！
文章介绍了自进化AI，其核心是执行、评估、进化的反馈循环，能自动修改Prompt和工作流。还讲解了SEW、TextGrad等优化器原理，并以SEW为例展示逻辑，最后推荐开源框架EvoAgentX。
5 万行代码 Vibe Coding 实践复盘：最佳实践、关键技术，Bitter Lesson
大厂资深工程师分享 3 个月用 AI 写 5 万行代码的体验，介绍 Vibe Coding 实践，分析 Coding Agent 关键技术如语义搜索、MCP，对比 Cursor、GitHub Copilot、Cline 等产品，还提到 Agent 开发要避免过度植入人类经验。
Agent Infra 实践复盘：Kimi 如何搭建 Agent 背后的 Database 服务
PingCAP 联合创始人黄东旭复盘 TiDB Cloud 为 Kimi Agent 提供服务的细节。指出 Agent infra 面向大众用户，要最小化 Agent 使用工具的摩擦，实现低成本。Kimi 与 TiDB 合作是范例，展现 Agent 基建的新趋势。